Wir bei Lipozyt Marker nutzen tatsächlich eine Technologie, die das liefert, was Künstliche Intelligenz leisten soll: das eigenständige Bearbeiten von Aufgaben durch Maschinelles Lernen.
Der Begriff „Künstliche Intelligenz“ wird von vielen Unternehmen so inflationär genutzt, dass man als Laie kaum noch unterscheiden kann, wo tatsächlich Innovationskraft auf diesem Gebiet vorhanden ist und wo doch lediglich klassische Statistik, kombiniert mit hoher Rechenleistung, vorliegt. Wir bei Lipozyt Marker nutzen tatsächlich eine Technologie, die das liefert, was Künstliche Intelligenz leisten soll: das eigenständige Bearbeiten von Aufgaben durch Maschinelles Lernen. Menschliches Analyseverhalten wird imitiert und ermöglicht dadurch eine Automatisierung von Analyseprozessen.
Einfach erklärt funktioniert das wie folgt:
Die Maschine nutzt einen Algorithmus, um in den komplexen Patientendaten Muster zu erkennen, anhand derer sie die Patienten in therapierelevante Subgruppen einteilen kann. Diese Subgruppen sind untereinander so ähnlich wie möglich und zueinander so unterschiedlich wie möglich. Wichtig ist dabei, dass diese Subgruppen sich aus der Analyse selbst ergeben, die Maschine erhält von uns keinen Input, nach welchen Kriterien sie diese Gruppierung vornehmen soll. Das unterscheidet unseren Ansatz von anderen Versuchen, Patienten zu klassifizieren, bei denen immer vermeintlich gut begründete Vorgaben gemacht werden und bei denen daher immer nur das herauskommen kann, was der Forscher im Vornhinein schon erwartet.
Und für die Spezialisten gehen wir gerne ins Detail:
Die Klassifizierung der Patienten erreichen wir mithilfe Selbstorganisierender Karten (SOMs), einer speziellen Art der neuronalen Netzwerke. SOMs sind nichtlinear, parallel, robust und fehlertolerant, sie nutzen unüberwachtes Lernen und bewahren die topologischen Merkmale der Input-Daten. Um die Ergebnisse zu kontrollieren, kombinieren wir die nichtlinearen SOMs mit verschiedenen Prognose-Verfahren, wie z. B. Multilayer Perceptrons (MLP), logistischer Regression und anderen mehr.
Die Vorhersagekraft der Modelle überwachen wir u.a. mithilfe des mittleren absoluten Fehlers (MAE), des mittleren quadratischen Gesamtfehlers (RMSE), der Diskriminanz (d.h. der richtigen Klassifikationsrate (CCR)) „Area under the ROC curve“ (d.h. AUC – ROC) und Wahrscheinlichkeitsmaßen gemäß den TRIPOD-Empfehlungen.
Als Fehlerfunktionen verwenden wir nicht-lineare Aktivierungsfunktionen sowie Kreuzentropien. Über AdaBoost („adaptive boosting“) können wir schließlich eine Reihe von Klassifikatoren generieren, von denen jeder die Nachteile des vorherigen ausgleicht.
Wir schöpfen die Möglichkeiten der Künstlichen Intelligenz tatsächlich aus. Auf einem Niveau, das zur Weltspitze gehört.
